arXiv 论文提出 DirCast：单一流式视频语言模型同时承担电竞导播与解说

DirCast: Live Esports Directing and Commentary with a Single Streaming Video-Language Model DirCast 用单一流式视频语言模型完成电竞直播的导播与解说：每秒低分辨率扫描所有机位决定切镜，再高分辨率读取所选机位生成解说。在 27 场职业 Dota 2 比赛数据集上，其导播优于规则方法和包括 GPT-5 在内的零样本导播，解说在 Proact-VL 协议下对 GPT-4o 的胜率为 29.2%，高于 11 个观看人类导播流的